参考：https://www.reddit.com/r/RooCode/comments/1l03vpc/my_0_roo_code_setup_for_the_best_results/

前言：AI 协同开发的“免费午餐”来了？

大型语言模型（LLM）的飞速发展，让许多开发者看到了自动化软件开发的曙光。然而，强大的模型往往伴随着高昂的API调用费用，这让不少独立开发者和小型团队望而却步。最近，一位开发者在 Reddit 上分享了其近乎零成本的 Roo Code 工作流配置，成功在一周内构建了一个功能完备的百家乐游戏模拟 API，用于分析投注策略。这套方法的核心在于巧妙地组合免费或低成本的 LLM 服务，并为不同任务分配合适的“AI 角色”，实现了高效且经济的自动化开发。

一、核心理念：像组建开发团队一样配置 LLM

这套工作流的精髓在于任务专业化。它摒弃了“一个模型包打天下”的思路，而是将复杂的开发任务拆解，分配给不同特长的 LLM，如同组建一支各司其职的软件开发团队。每个“模式”（Mode）扮演一个特定角色，由最适合该角色的 LLM 驱动。

想象一下这样的团队：

• 项目经理（Orchestrator Mode）：负责理解需求、拆分任务、协调各方。
• 策略顾问（Think Mode）：负责对复杂问题进行深度分析、预判风险、规划方案。
• 架构师（Architect Mode）：负责设计系统蓝图、定义模块接口。
• 程序员（Code Mode）：负责编写具体代码实现。
• 测试工程师（Debug Mode）：负责发现和修复代码中的缺陷。

这种分工协作的模式，不仅提升了任务完成的质量，也通过选用不同成本和能力的模型，最大限度地优化了开销。

二、Roo Code 工作流详解：五大核心角色与模型分配

这位开发者详细介绍了其 Roo Code 配置中各个“模式”的角色定位和选用的 LLM。值得注意的是，其成本控制的关键在于充分利用了 Google AI Studio API Key 提供的 Gemini 模型以及 OpenRouter 平台上的免费模型额度（通常需要一次性支付少量费用激活，如10美元，即可获得每日大量免费请求）。

以下是核心组件及其模型配置的概览：

辅助组件：

• Roo Code Memory Bank：提供持久化上下文，存储和检索计划、代码片段等信息，主要由统筹者模式触发和管理。

三、工作流程实战：从任务分解到代码产出

这套工作流模拟了一个高效的开发团队协作过程：